L’intelligenza artificiale rivoluziona le previsioni sismiche: un passo avanti per la sicurezza dei terremoti

Il campo della sismologia sta assistendo a un’epocale svolta grazie all’implementazione dell’apprendimento automatico per migliorare le previsioni sismiche.

Recentemente, tre nuovi studi richiamati in un articolo dal titolo “AI predicts how many earthquake aftershocks will strike — and their strength” su Nature.com hanno dimostrato che i modelli di deep learning superano le metodologie convenzionali nell’anticipare le scosse di assestamento e la loro intensità.

Questi risultati, anche se preliminari e circoscritti a specifiche situazioni, rappresentano un significativo progresso verso l’obiettivo a lungo cercato di utilizzare l’intelligenza artificiale per ridurre il rischio sismico.

I tre studi, condotti in diverse parti del mondo, hanno dimostrato come l’apprendimento automatico possa essere sfruttato per valutare il rischio di scosse di assestamento dopo un grande terremoto.

Questi modelli si sono rivelati migliori rispetto ai metodi convenzionali nella previsione di quanti terremoti si verificheranno in periodi di due settimane e nell’individuare l’intero spettro delle possibili magnitudo sismiche, riducendo così la possibilità di sorprese legate a eventi sismici di grande entità.

Il primo studio, condotto da Kelian Dascher-Cousineau presso l’Università della California, Berkeley, ha testato il proprio modello su un catalogo di migliaia di terremoti che hanno colpito il sud della California tra il 2008 e il 2021. Il risultato è stato che il modello ha superato la metodologia standard nella previsione delle scosse sismiche in periodi di due settimane.

Un metodo simile è stato sviluppato all’Università di Bristol, nel Regno Unito, da Samuel Stockman. Questo modello ha dimostrato buone performance nella previsione dei terremoti che hanno colpito il centro Italia tra il 2016 e il 2017. Ciò che è interessante è che quando i ricercatori hanno incluso terremoti di minore magnitudo nel set di dati di addestramento, il modello di apprendimento automatico ha iniziato a fornire previsioni migliori.

Infine, un terzo modello di rete neurale è stato sviluppato presso l’Università di Tel Aviv in Israele, sotto la guida di Yohai Bar-Sinai. Questo modello è stato testato su 30 anni di dati sismici provenienti dal Giappone ed è risultato superiore al modello standard.

Ma qual è l’importanza di questi risultati?

Iniziamo con il fatto che le previsioni sismiche non mirano a predire esattamente quando, dove e con quale magnitudo si verificherà un terremoto, un compito finora ritenuto impossibile. Invece, si concentrano su previsioni più ampie, come quanti terremoti di assestamento ci si può attendere nei giorni o nelle settimane successive a un grande terremoto. Queste previsioni sono fondamentali per avvisare le persone nelle zone colpite dai terremoti di ciò che potrebbe ancora accadere.

L’apprendimento automatico sembra una scelta ovvia per migliorare queste previsioni. La sua capacità di elaborare grandi quantità di dati e prevedere gli sviluppi successivi in un modello si presta perfettamente alla sismologia, una disciplina ricca di dati provenienti da cataloghi di terremoti che si verificano in tutto il mondo.

Tuttavia, i ricercatori hanno incontrato difficoltà nell’individuare tendenze significative da tutti i dati sui terremoti a causa della rarità dei grandi terremoti e della complessità nel prevedere cosa potrebbe accadere. Tuttavia, negli ultimi anni, l’apprendimento automatico ha permesso di individuare terremoti di minore magnitudo che non erano stati rilevati in precedenza nei registri sismici. Questi terremoti hanno ampliato i cataloghi esistenti e fornito nuovi dati per una seconda fase di analisi basata sull’apprendimento automatico.

Gli attuali modelli di previsione dell’US Geological Survey (USGS) si basano su informazioni di base relative alle magnitudini e alle posizioni dei terremoti passati per prevedere cosa potrebbe accadere in futuro. I tre studi più recenti, invece, utilizzano un approccio basato su reti neurali, che aggiorna i calcoli durante ogni passaggio dell’analisi per catturare meglio i complessi schemi di come si verificano i terremoti.

In conclusione, questi tre modelli sono “moderatamente promettenti”, come afferma Leila Mizrahi, una sismologa del Swiss Federal Institute of Technology (ETH) a Zurigo. Sebbene non rappresentino una svolta nella loro forma attuale, mostrano il potenziale per introdurre gradualmente l’apprendimento automatico nelle previsioni sismiche quotidiane. Questa tecnologia potrebbe essere utilizzata in parallelo ai modelli convenzionali dalle agenzie come l’USGS, per poi passare completamente all’approccio basato sull’apprendimento automatico se dimostrerà di essere superiore.

Questo progresso offre la possibilità di migliorare le previsioni quando le scosse di assestamento stanno causando disagi imprevedibili e sconvolgendo la vita delle persone per mesi. Inoltre, potrebbe essere utilizzato per migliorare le previsioni dopo grandi terremoti rari, come il terremoto di magnitudo 6.8 che ha colpito il Marocco a settembre, causando la morte di migliaia di persone.

Tuttavia, è importante ricordare quanto sottolineato da Kelian Dascher-Cousineau: non dobbiamo affidarci troppo a questi nuovi modelli sofisticati.

La preparazione per i terremoti rimane l’aspetto più importante.

Non possiamo trascurare la necessità di edifici sicuri sismicamente e, ricorda l’articolo, anche i kit di emergenza adeguati, anche se disponiamo di un modello di previsione dei terremoti migliore.

Fonti:

Dascher-Cousineau, K., Shchur, O., Brodsky, E. E. & Günnemann, S. Geophys. Res. Lett. 50, e2023GL103909 (2023).

La sismologia sta vivendo un notevole aumento nella diversità e nell'ampiezza dei cataloghi sismici. Tuttavia, nonostante questo sforzo, il miglioramento delle previsioni sismiche rimane sfuggente. In questo contesto, è stato introdotto il modello di apprendimento automatico Recurrent Earthquake foreCAST (RECAST), basato su sviluppi recenti nelle reti neurali per processi temporali puntuali. Questo modello consente di accedere a un maggiore volume e diversità di osservazioni sismiche, superando le limitazioni teoriche e computazionali degli approcci tradizionali. I test su dati sintetici suggeriscono che, con un set di dati di dimensioni moderate, RECAST è in grado di modellare accuratamente i processi puntuali simili ai terremoti direttamente dai dati catalogati. I test su cataloghi sismici nella California meridionale indicano un miglioramento nella bontà di adattamento e nell'accuratezza delle previsioni rispetto al nostro modello di riferimento quando il set di allenamento è sufficientemente lungo (>104 eventi). Gli elementi di base in RECAST aggiungono flessibilità e scalabilità alle previsioni sismiche senza sacrificare le prestazioni.

LINK alla pubblicazione

Stockman, S., Lawson, D. J. & Werner, M. J. Earths Future 11, e2023EF003777 (2023).

Negli ultimi anni, i modelli di processo puntuale sono stati predominanti nella modellazione dell'evoluzione della sismicità, con il modello di sequenza di scosse di tipo epidemico (ETAS) come il più popolare. Tuttavia, recenti avanzamenti nell'apprendimento automatico hanno portato alla creazione di modelli di processo puntuale altamente flessibili utilizzando reti neurali per migliorare i modelli parametrici esistenti. Lo studio si propone di valutare se questi modelli flessibili di processo puntuale possono essere applicati alle previsioni sismiche a breve termine, estendendo un modello neurale temporale esistente al dominio delle magnitudini. Si dimostra come questo modello possa prevedere terremoti sopra una soglia di magnitudine target.
Inizialmente, viene dimostrato che il modello neurale è in grado di adattarsi a dati ETAS sintetici, richiedendo meno tempo computazionale poiché non dipende dalla storia completa della sequenza. Successivamente, attraverso l'uso di dati sintetici che emulano l'incompletezza delle scosse di assestamento a breve termine, si riscontra che il modello neurale supera l'ETAS in termini di prestazioni. Utilizzando un catalogo migliorato dalla sequenza sismica del Centro Appennino del 2016-2017, vengono condotte analisi comparative delle abilità predittive tra ETAS e il modello neurale rispetto alla magnitudine di input più bassa. In particolare, si analizzano le performance nella previsione di eventi di magnitudine superiore a 3 (M3+) e di magnitudine superiore a 1.2 (M1.2).
I risultati indicano che entrambi i modelli hanno prestazioni simili a soglie di magnitudine precedentemente esplorate (ad esempio, sopra M3), ma abbassando la soglia a M1.2, le prestazioni dell'ETAS diminuiscono, a differenza del modello neurale. Si suggerisce che alcuni di questi miglioramenti siano dovuti alla capacità del modello neurale di gestire dati incompleti. La robustezza rispetto ai dati mancanti e la velocità di addestramento del modello neurale lo pongono come un concorrente promettente nelle previsioni sismiche.

LINK alla pubblicazione

Zlydenko, O. et al. Sci. Rep. 13, 12350 (2023).

Prevedere il momento dei terremoti rappresenta una sfida di lunga data e resta un dibattito aperto su come formulare in modo utile questo problema e confrontare i modelli predittivi. In questo studio, è stato sviluppato un versatile codificatore neurale per cataloghi sismici, applicato al problema fondamentale della previsione del tasso di terremoti nel framework spazio-temporale dei processi puntuali. Mentre il modello di sequenza di scosse di tipo epidemico (ETAS) apprende efficacemente un numero limitato di parametri per vincolare le forme funzionali delle correlazioni spaziali e temporali delle sequenze sismiche (ad esempio, la legge di Omori-Utsu), qui vengono introdotte incapsulazioni spaziali e temporali apprese per modelli di previsione dei terremoti basati su processi puntuali. Queste incapsulazioni neurali catturano complesse strutture di correlazione. Attraverso test su dati di allenamento e di test, è stata dimostrata la versatilità di questa rappresentazione neurale rispetto al modello ETAS e la sua capacità di incorporare ulteriori informazioni geofisiche.

Nei compiti di previsione del tasso di terremoti, il modello generalizzato mostra un miglioramento dell'informazione ottenuta per terremoto superiore al 4%, apprendendo contemporaneamente strutture spaziali anisotrope analoghe a tracce di faglie. Inoltre, la rete addestrata può essere utilizzata per compiti di previsione a breve termine, offrendo un miglioramento simile e una riduzione del tempo di esecuzione di ben 1000 volte.

Link alla pubblicazione

Mousavi, S. M. & Beroza, G. C. Science 377, eabm4470 (2022).

Le onde sismiche generate dai terremoti e da altre fonti sono utilizzate per inferire la struttura e le proprietà dell'interior della Terra. La disponibilità di ampi set di dati sismici e l'adeguatezza delle tecniche di apprendimento profondo per l'elaborazione di dati sismici hanno portato l'apprendimento profondo al centro delle ricerche fondamentali di lunga data in sismologia. Tuttavia, alcuni aspetti dell'applicazione del deep learning alla sismologia possono risultare istruttivi anche per le geoscienze e, forse, per altre aree di ricerca in modo più ampio. Il deep learning è un approccio potente, ma presenta sottigliezze e sfumature nella sua applicazione. Nel nostro studio, forniamo una panoramica sistematica delle tendenze, delle sfide e delle opportunità nelle applicazioni dei metodi di deep learning in sismologia.

Link alla pubblicazione

Mancini, S. et al. J. Geophys. Res. Solid Earth 127, e2022JB025202 (2022).

I cataloghi sismici avanzati forniscono dettagliate immagini delle sequenze sismiche in evoluzione. Attualmente, questi dataset richiedono del tempo per essere pubblicati ma presto saranno disponibili in tempo reale. In questo studio, esploriamo se e come l'uso di cataloghi sismici avanzati nei protocolli di previsione sismica a breve termine possa portare a una maggiore precisione nelle previsioni. Abbiamo considerato tre cataloghi avanzati per la sequenza sismica del Centro Italia del 2016-2017, caratterizzati da una completezza maggiore di almeno due unità di magnitudine rispetto al catalogo in tempo reale e una migliore risoluzione ipocentrale. Li abbiamo utilizzati per informare una serie di modelli fisici Coulomb Rate-and-State (CRS) e modelli statistici Epidemic-Type Aftershock Sequence (ETAS) per prevedere la spazio-temporanea comparsa di eventi di magnitudine superiore a 3 durante i primi 6 mesi della sequenza. Abbiamo valutato le prestazioni dei modelli utilizzando metriche standard basate sulla verosimiglianza e le abbiamo confrontate con i modelli CRS e ETAS migliori sviluppati utilizzando il catalogo in tempo reale. Abbiamo scoperto che, sebbene l'incorporazione dei contributi di innescamento dai nuovi rilevamenti di piccola magnitudine dei cataloghi avanzati sia vantaggiosa per entrambi i tipi di previsioni, questi modelli non superano significativamente i rispettivi benchmark quasi in tempo reale. Per esplorare le ragioni di questo risultato, abbiamo condotto test di sensibilità mirati che mostrano come (a) le tipiche discretizzazioni spaziali degli esperimenti di previsione (2 km) limitino la capacità dei modelli di catturare modelli di innescamento secondari altamente localizzati e (b) le differenze nei parametri sismici (cioè magnitudine ed epicentri) riportati in cataloghi diversi possano influenzare la valutazione delle previsioni. Queste scoperte contribuiranno a migliorare la progettazione dei modelli di previsione e le strategie di valutazione per i cataloghi sismici di prossima generazione.

Link alla pubblicazione